累加器与广播变量

README.md

@@ -74,11 +74,11 @@
 
 1. Spark简介
 2. [Spark单机版本环境搭建](https://github.com/heibaiying/BigData-Notes/blob/master/notes/installation/Spark%E5%8D%95%E6%9C%BA%E7%89%88%E6%9C%AC%E7%8E%AF%E5%A2%83%E6%90%AD%E5%BB%BA.md)
-3. 弹性式数据集RDD
-4. Spark命令行的基本使用
-5. RDD常用算子之——Transformation Action
-6. RDD常用算子之——Action
-7. Spark广播变量与累加器
+3. Spark命令行的基本使用
+4. [弹性式数据集RDD](https://github.com/heibaiying/BigData-Notes/blob/master/notes/Spark-RDD.md)
+5. [RDD常用算子详解](https://github.com/heibaiying/BigData-Notes/blob/master/notes/Spark-Transformation和Action.md)
+6. Spark运行模式
+7. [Spark累加器与广播变量](https://github.com/heibaiying/BigData-Notes/blob/master/notes/Spark累加器与广播变量.md)
 
 **Spark SQL :**
 

notes/Spark累加器与广播变量.md

@@ -0,0 +1,104 @@
+# Spark 累加器与广播变量
+
<nav>
+<a href="#一简介">一、简介</a><br/>
+<a href="#二累加器">二、累加器</a><br/>
+&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;<a href="#21-理解闭包">2.1 理解闭包</a><br/>
+&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;<a href="#22-使用累加器">2.2 使用累加器</a><br/>
+<a href="#三广播变量">三、广播变量</a><br/>
+</nav>
+
+## 一、简介
+
+在Spark中，提供了两种类型的共享变量：累加器(accumulator)与广播变量(broadcast variable)。
+
++ 累加器：用来对信息进行聚合，主要用于累计计数等场景；
++ 广播变量：主要用于在节点间高效分发大对象。
+
+## 二、累加器
+
+这里先看一个具体的场景，对于正常的累计求和，如果在集群模式中使用下面的代码进行计算，会发现执行结果并非预期：
+
+```scala
+var counter = 0
+val data = Array(1, 2, 3, 4, 5)
+sc.parallelize(data).foreach(x => counter += x)
+ println(counter)
+```
+
+counter最后的结果是0，导致这个问题的主要原因是闭包。
+
+<div align="center"> <img src="https://github.com/heibaiying/BigData-Notes/blob/master/pictures/spark-累加器1.png"/> </div>
+
+
+
+### 2.1 理解闭包
+
+**1. Scala中闭包的概念**
+
+这里先介绍一下Scala中关于闭包的概念：
+
+```
+var more = 10
+val addMore = (x: Int) => x + more
+```
+
+如上函数`addMore`中有两个变量x和more:
+
+- **x** : 是一个绑定变量(bound variable)，因为其是该函数的入参，在函数的上下文中有明确的定义；
+- **more** : 是一个自由变量(free variable)，因为函数字面量本生并没有给more赋予任何含义。
+
+按照定义：在创建函数时，如果需要捕获自由变量，那么包含指向被捕获变量的引用的函数就被称为闭包函数。
+
+**2. Spark中的闭包**
+
+在实际计算时，Spark会将对RDD操作分解为Task，Task运行在Worker Noode上。在执行之前，Spark会对任务进行闭包，如果闭包内涉及到自由变量，则程序会进行拷贝，并将副本变量放在闭包中，之后闭包被序列化并发送给每个执行者。因此，当在foreach函数中引用`counter`时，它将不再是Driver节点上的`counter`，而是闭包中的副本`counter`，默认情况下，副本`counter`更新后的值不会回传到Driver，所以计数器的最终值仍然为零。
+
+需要注意的是：在Local模式下，**有可能**执行foreach的Worker Node与Diver处在相同的JVM，并引用相同的原始`counter`，这时候更新可能是正确的，但是在集群模式下却不行。所以在遇到此类问题时应优先使用累加器。
+
+累加器的原理实际上很简单：就是将每个副本变量的最终值传回Driver，由Driver聚合后得到最终值，并更新原始变量。
+
+
+<div align="center"> <img src="https://github.com/heibaiying/BigData-Notes/blob/master/pictures/spark-集群模式.png"/> </div>
+
+### 2.2 使用累加器
+
+`SparkContext`中定义了所有创建累加器的方法，需要注意的是：被中横线划掉的累加器方法在Spark 2.0.0之后被标识为废弃。
+
+<div align="center"> <img src="https://github.com/heibaiying/BigData-Notes/blob/master/pictures/spark-累加器方法.png"/> </div>
+
+使用示例和执行结果分别如下：
+
+```scala
+val data = Array(1, 2, 3, 4, 5)
+// 定义累加器
+val accum = sc.longAccumulator("My Accumulator")
+sc.parallelize(data).foreach(x => accum.add(x))
+// 获取累加器的值
+accum.value
+```
+
+<div align="center"> <img src="https://github.com/heibaiying/BigData-Notes/blob/master/pictures/spark-累加器2.png"/> </div>
+
+
+
+## 三、广播变量
+
+在上面介绍中闭包的过程中我们说道每个Task任务的闭包都会持有自由变量的副本，如果变量很大且Task任务很多的情况下，这必然会对网络IO造成压力，为了解决这个情况，Spark提供了广播变量。
+
+广播变量的做法很简单：就是不把副本变量分发到每个Task中，而是将其分发到每个Executor，Executor中的所有Task共享一个副本变量。
+
+```scala
+// 把一个数组定义为一个广播变量
+val broadcastVar = sc.broadcast(Array(1, 2, 3, 4, 5))
+// 之后用到该数组时应优先使用广播变量，而不是原值
+sc.parallelize(broadcastVar.value).map(_ * 10).collect()
+```
+
+
+
+
+
+## 参考资料
+
+[RDD Programming Guide](http://spark.apache.org/docs/latest/rdd-programming-guide.html#rdd-programming-guide)
+